CN107830846A - 一种利用无人机和卷积神经网络测量通信塔天线角度方法 - Google Patents

一种利用无人机和卷积神经网络测量通信塔天线角度方法 Download PDF

Info

Publication number
CN107830846A
CN107830846A CN201710917629.6A CN201710917629A CN107830846A CN 107830846 A CN107830846 A CN 107830846A CN 201710917629 A CN201710917629 A CN 201710917629A CN 107830846 A CN107830846 A CN 107830846A
Authority
CN
China
Prior art keywords
antenna
frame
convolutional neural
neural networks
positive side
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710917629.6A
Other languages
English (en)
Other versions
CN107830846B (zh
Inventor
潘晨
周永霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ai Hang Science And Technology Co Ltd
Original Assignee
Hangzhou Ai Hang Science And Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Ai Hang Science And Technology Co Ltd filed Critical Hangzhou Ai Hang Science And Technology Co Ltd
Priority to CN201710917629.6A priority Critical patent/CN107830846B/zh
Publication of CN107830846A publication Critical patent/CN107830846A/zh
Application granted granted Critical
Publication of CN107830846B publication Critical patent/CN107830846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00—Measuring angles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种利用无人机和卷积神经网络测量通信塔天线角度方法，利用多旋翼无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点GPS信息；通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；对卷积神经网络检测到的天线右正侧面与左正侧面图像进行自动配对，每根天线可形成左右两个正侧图像对；每个天线的方位角可由其左右配对的正侧图像GPS信息来计算，下倾角可由其左右正侧帧图像中该天线下倾角的平均值来计算获得。本发明利用无人机和卷神经网络算法输出各天线角度参数，数据采集和数据处理分离，提高测量精度和效率，降低野外工作难度。

Description

一种利用无人机和卷积神经网络测量通信塔天线角度方法
技术领域
本发明涉及一种测量通信塔天线角度方法，尤其涉及一种利用无人机和卷积神经网络测量通信塔天线角度方法，属于一种通信塔维护技术领域。
背景技术
无线通讯基站塔上天线的正确安装与维护测试，是移动通讯工程建设与运营的重要内容。传统方式利用人工爬塔测量方位角和下倾角参数。
中国专利公开号CN106454879A的“一种基于无人机航拍确定无线基站工参的方法”已经公开了一种利用无人机航拍获得基站的俯视图，地面系统调用罗盘仪软件，并使罗盘仪的零度的方向与基站俯视图中基站的正北方向重合，原有天线的方向与罗盘仪的角度度数重合，该度数即为原有天线的方向角方法；还公开一种利用地面系统调用量角器软件，并使量角器软件界面的中心点与原有天线的中心点重合，量角器保持垂直，原有天线与量角器之间夹角即为原有天线的下倾角的方法。
该现有技术存在的问题和缺点：方位角和下倾角都需要无人机飞手在现场操控无人机通过肉眼判断将飞机稳定在基站或天线的垂直角上再进行拍摄，其中，针对天线中心点的判断由于天线正面的面积较大，实际操作中肉眼难以确定实际中心点。由人工一次性判断基站的俯视图和天线侧视图存在较大主观性和经验性；通过判断基站的俯视图和天线侧视图来测量方位角和下倾角，发现不同时间、不同人员对同一天线的重复测量结果差别较大，同时测量得到的方向角和下倾角精度一般。
综上所述，中国专利公开号CN106454879A的“一种基于无人机航拍确定无线基站工参的方法”已经公开的技术方案对无人机飞手的技术要求高，同时肉眼校准的误差大，工作时飞手需要高度集中精神进行手眼配合操作，难以进行长时间的作业。经实践测试，在实际工作中效率甚至低于传统人工上塔进行作业。
发明内容
针对现有技术的不足，本发明提出一种利用无人机和卷积神经网络测量通信塔天线角度方法，借助无人机定点绕飞通讯塔拍摄视频，经计算机软件处理，可对通讯塔的相关参数进行测量，可显著提高工作效率，降低人力成本，提高安全性。
为了解决现有技术的不足，本发明提出利用无人机和卷积神经网络测量通信塔天线角度方法，包含以下步骤：
1)利用多旋翼无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点GPS信息；
2)通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；
3)对卷积神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；
4)每个天线的方位角可由其左右配对的正侧图像GPS信息间接计算获得，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。
作为一种优选方式，所述步骤1的定点绕飞通讯塔采用以塔投影中心为圆心、等距半径逆时针水平圆周绕飞。
作为一种优选方式，所述的等距半径逆时针水平圆周绕飞，圆周半径为7～8米。
作为一种优选方式，所述的卷积神经网络由两个级联的卷积神经网络构成，第一级卷积神经网络有6层，由3个卷积层、2个下采样层和1个全连接层构成；第二级卷积神经网络有10层，由5个卷积层、3个下采样层和2个全连接层构成。卷积层用于提取图像特征，下采样层用于简化模型复杂度，全连接层负责把图像高维特征映射回低维空间，进而分类像素为正样本和负样本。两个级联的卷积神经网络需要经过训练并优化内部参数，实现对通信塔的天线视频帧筛选，第一级卷积神经网络专门从视频帧中检测通讯塔纵轴线两侧平板天线区域，第二级卷积神经网络专门用来检测通信塔左右侧正侧面天线位置。
作为一种优选方式，所述的两个级联的卷积神经网络训练步骤如下：
第一级网络训练过程为：
人工标注绕飞视频中平板天线区域位置，利用标注的图像帧训练卷积神经网络，标注的图像帧作为卷积神经网络输入，通信塔轴线两侧天线位置区域作为神经网络正输出，其余位置为负输出；
卷积神经网络训练过程是经典的误差反向传播过程，先对网络初始化；训练时，输入带标记的图像。先形成前向传播，输入图像经网络映射后的结果与输出对比，确定最后一层输出损失，然后进行反向传播，按照梯度下降策略，逐层调整神经网络每层参数值；经反复迭代达到误差要求或者迭代期限为止；
第二级网络训练过程为：人工标注足够数量的天线左或右正侧面的帧图像，由人工划线方式，画出天线正侧面直线段，形成二值的天线位置标记作为正样本；选取相同数量的非正侧帧图像作为负样本，无天线正侧面的位置线标记；人工标注的通信塔左侧或右侧天线区域局部图像作为卷神经网络输入，正侧面天线的像素点位置作为神经网络正输出，非正侧面帧无该位置信息作为负输出。正输出超过规定阈值的图像帧作为天线正侧面的一个观察点被记录，作为下述的KR_i或KL_i。
作为一种优选方式，步骤3所述的天线右正侧面与左正侧面图像自动配对，已知绕飞起始图像帧序号作为Kstart帧，结束图像帧序号作为Kend帧，绕飞角速度ω＝360/(Kend-Kstart+1)；两个配对观察点与圆心连线的夹角在140°-180°之间；从通信塔右侧与左侧分别观察一个天线时，以其两个正侧面观察点作2点连线，可构成绕飞圆周面上的一条弦线，其垂直平分线即为天线朝向；两个两个正侧面与圆心连线的夹角在140°-180°之间；包含以下步骤：
s1:从右侧帧队列中依次选一帧KR_i，则在左侧帧队列中可能与其匹配的帧范围是[KL_begin,KL_end]，其中：KL_begin＝KR_i-140/ω,KL_end＝KR_i-180/ω，表示由KR_i帧开始回溯，以便在左侧帧队列中确定一个候选范围；当KL_begin或KL_end小于Kstart，说明回溯帧数跨越圆周绕飞的起始帧，需对[KL_begin,KL_end]进行圆周分段校正；若左侧帧队列中有唯一帧在上述限定范围内，则匹配成功；然后从右侧帧队列和左侧帧队列中除去该匹配好的帧；
s2:从未匹配的左侧帧队列中选一帧KL_i，则在右侧帧队列中可能与其匹配的帧范围是[KR_begin,KR_end]，其中：KR_begin＝KL_i+140/ω,KR_end＝KL_i+180/ω。计算时若KR_begin或KR_end超过Kend，说明回溯帧数跨越圆周绕飞的末帧，需对[KR_begin,KR_end]进行圆周分段校正处理；若右侧帧队列中有唯一帧在匹配范围内，则匹配成功；可从左侧帧队列和右侧帧队列中删除匹配好的帧；
s3:经过s1和s2后右侧帧队列和左侧帧队列中还各余一帧未匹配，则二者被默认为一对匹配帧。
作为一种优选方式，所述的天线的方位角Ai方位角可由其左正侧面图对应的GPS位置点和右正侧面图对应的GPS点来确定，上述两点连线的垂直平分线，其朝向即为天线阵面朝向，求出该直线与正北方的锐夹角θ，然后根据天线阵面在绕飞圆周中所处的象限，通过矫正得到该天线方位角，计算公式如下：
若天线阵面位于第一象限，则Ai方位＝θ；
若天线阵面处于第二象限，则Ai方位＝360-θ；
若天线阵面位于第三象限，则Ai方位＝180+θ；
若天线阵面处于第四象限，则Ai方位＝180-θ。
作为一种优选方式，所述的天线的下倾角Ai下倾角可分别由其左正侧面图中下倾角Ai_L和右正侧面图中下倾角Ai_R的求和平均值确定，计算公式如下：
Ai下倾角＝(Ai_L+Ai_R)/2。
本发明有益效果：
本发明利用无人机按照规范采集通讯塔天线序列图片，再利用卷神经网络算法自动处理图片，输出各天线角度参数，数据采集和数据处理分离，算法自动化，提高测量精度和效率，降低野外工作难度。
本发明获得天线的侧面垂直角，因为天线侧面的面积相对小，即使同样使用肉眼校准，准确率更高和操作简单。
附图说明
图1是本发明无人机绕飞平面与平板天线朝向/方位角关系示意。
图2是本发明左右正侧图像的天线下倾角测量示意。
图3是本发明两级卷积神经网络D1、D2检测天线正侧面位置示意图。
图4是本发明卷积神经网络D1具体结构示意图。
图5是本发明卷积神经网络D2具体结构示意图。
具体实施方式
下面对本发明的实施例作进一步的说明。以下实施例仅对本申请进行进一步说明，不应理解为对本申请的限制。
如图1、图2所示，一种利用无人机和卷积神经网络测量通信塔天线角度方法，包含以下步骤：
1)利用多旋翼无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点GPS信息；
2)通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；
3)对卷积神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；
4)每个天线的方位角可由其左右配对的正侧图像GPS信息间接计算获得，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。
本实施例的具体实施步骤如下：
步骤1：借助多旋翼无人机，自带陀螺仪、摄像头，拍摄的图像与水平、重力方向自校准稳定。先以通信塔顶投影中心为圆心，等距半径逆时针水平圆周绕飞，圆周半径为7～8米。连续拍摄安装在通讯塔抱杆上的平板天线。规定由地球坐标系纵轴方向北端起，顺时针量到平板天线正面法线方向间的夹角，为平板天线方位角。如：平板天线朝向正南方时方位角0°，朝向正北方时方位角180°；平板天线侧面正对镜头时为天线正侧面，天线正侧面边缘与重力垂线的锐夹角为其下倾角。
步骤2：水平绕飞时连续拍照天线，同步的GPS信息记录于对应图像文件中。连续拍照的图片形成了绕飞圆周上的各观察点图像，对应的GPS信息即为该观察点在大地坐标系中的坐标。
步骤3：通过预先设计和训练过的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的天线位置和图像序号；
如图3所示，卷积神经网络(CNN)主要用于目标分类领域,为了降低网络复杂性，本发明构造两级卷积神经网络。首先检测通信塔两侧天线分布区域，缩小检测范围；其次将天线分布区域分为通信塔左侧和塔右侧，利用分类更精准的卷积神经网络检测天线正侧面的外边沿线。
所述的预先设计和训练过的卷积神经网络由两个级联的卷积神经网络构成。如图4所示，第一级卷积神经网络有6层，由3个卷积层、2个下采样层和1个全连接层构成；如图5所示，第二级卷积神经网络有10层，由5个卷积层、3个下采样层和2个全连接层构成。卷积层用于提取图像特征，下采样层用于简化模型复杂度，全连接层负责把图像高维特征映射回低维空间，并分类像素为正样本与负样本。两个级联的卷积神经网络需要经过训练并优化内部参数，实现对通信塔的天线视频帧筛选，第一级卷积神经网络专门从视频帧中检测通讯塔纵轴线两侧平板天线区域，第二级卷积神经网络专门用来检测通信塔左右侧正侧面天线位置和对应的图像帧。
所述的两个级联的卷积神经网络训练具体步骤如下：
第一级D1的CNN网络测试和训练过程为：
a)如图4所示，第一级D1的CNN网络测试时为前向传播过程。输入图像适当缩小后，首先与K1个不同方向的5*5卷积核进行卷积，在“卷积层1”获得K1个特征图；随即这些特征图经下采样、加权、叠加与激活函数处理，在“下采样层1”生成K1个120*80降维图，“下采样层1”的输出图再经1个5*5卷积核滤波生成“卷积层2”的K1个特征图，再次经下采样过程在“下采样层2”中得到K1个30*20特征图，随后这个层级的K1个输出图再经1个5*5卷积核滤波后转换为K1*600*1向量与6000*1个结点层全连接；全连接层的输出向量将转换为图像，产生最终像素区域输出。需要说明的是，“卷积层1”对应K1个5*5卷积核和卷积层2、3对应的5*5卷积核，各自表示具有不同方向响应的滤波器，用于提取图像中不同方向响应的边缘特征，图4中每个卷积层和下采样层只画出1个特征图和1个降维图做代表，此处K1＝8。
b)训练样本制备：人工画方框，标注绕飞视频中平板天线区域位置，方框内部像素为正样本，外部像素为负样本；利用标注的图像帧作为卷积神经网络输入。通信塔轴线两侧天线像素位置区域作为神经网络正输出，其余位置作为神经网络负输出。为了降低卷积神经网络的复杂程度，输入图像适当缩小至300*200像素。
c)训练过程是经典的误差反向传播过程。对网络作初始化后，输入训练样本图像。先形成前向传播，输入图像经上述网络前向映射后的结果与人工标识的实际输出对比，确定最后一层的输出损失，然后进行反向传播；按照梯度下降策略，逐层调整神经网络每层参数值；经反复迭代达到误差要求或者迭代期限为止；
第二级D2的CNN网络测试和训练过程为：
a)如图5所示，第二级D2的CNN网络测试时为前向传播过程。输入图像适当缩小后，首先经K2个不同方向的5*5卷积核在“卷积层1”获得K2个特征图；随即这些特征图经下采样、加权、叠加与激活函数处理，在“下采样层1”生成K2个120*80降维图，其中，图5中每个卷积层和下采样层只画出1个特征图和1个降维图做代表。与D1的CNN网络类似，“下采样层1”输出图再经1个5*5卷积核滤波生成“卷积层2”的K2个特征图，再次经下采样过程在“下采样层2”中得到K2个60*40特征图。随后这个层级的输出图再经三层不同尺度和方向的卷积核滤波处理后，其中卷积核分别为3*3，5*5，7*7，再经下采样输出K2个30*20特征图，这些图转换为K2*600*1向量与6000*1个结点层全连接；全连接层的输出向量将转换为图像，产生最终像素区域输出。需要说明的是，卷积层1对应K2个卷积核和后续卷积层的卷积核各自表示具有不同方向响应的滤波器，用于提取图像中不同方向、尺度响应的边缘特征。此处K2＝36。
b)输入图像适当缩小至300*200像素。人工标注足够数量的天线左或右正侧面的帧图像，由人工划线方式，画出天线正侧面直线段，形成二值的天线位置标记作为正样本；选取相同数量的非正侧帧图像作为负样本，无天线正侧面的位置线标记。人工画线标注后的通信塔左侧或右侧天线区域局部图像作为卷积神经网络输入。有正侧面天线的帧图像中，天线侧面位置作为神经网络正输出，非正侧面帧图像中无天线位置信息输出作为负输出；正输出超过规定阈值的图像帧作为天线正侧面的一个观察点被记录，作为下述的KR_i或KL_i。
c)训练过程是经典的误差反向传播过程，与上述D1的CNN卷积神经网络训练过程一致。
步骤4：对神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；
所述的天线右正侧面与左正侧面图像自动配对方法如下：已知绕飞起始图像帧序号作为Kstart帧，结束图像帧序号作为Kend帧，绕飞角速度ω＝360/(Kend-Kstart+1)；两个配对观察点与圆心连线的夹角在140°-180°之间；从通信塔右侧与左侧分别观察一个天线时，以其两个正侧面观察点作2点连线，可构成绕飞圆周面上的一条弦线，其垂直平分线即为天线朝向；两个两个正侧面与圆心连线的夹角在140°-180°之间；包含以下步骤：
S1:从右侧帧队列中依次选一帧KR_i，则在左侧帧队列中可能与其匹配的帧范围是[KL_begin,KL_end]，其中：KL_begin＝KR_i-140/ω,KL_end＝KR_i-180/ω，表示由KR_i帧开始回溯，以便在左侧帧队列中确定一个候选范围；当KL_begin或KL_end小于Kstart，说明回溯帧数跨越圆周绕飞的起始帧，需对[KL_begin,KL_end]进行圆周分段校正；若左侧帧队列中有唯一帧在上述限定范围内，则匹配成功；然后从右侧帧队列和左侧帧队列中除去该匹配好的帧；
S2:从未匹配的左侧帧队列中选一帧KL_i，则在右侧帧队列中可能与其匹配的帧范围是[KR_begin,KR_end]，其中：KR_begin＝KL_i+140/ω,KR_end＝KL_i+180/ω。计算时若KR_begin或KR_end超过Kend，说明回溯帧数跨越圆周绕飞的末帧，需对[KR_begin,KR_end]进行圆周分段校正处理；若右侧帧队列中有唯一帧在匹配范围内，则匹配成功；可从左侧帧队列和右侧帧队列中删除匹配好的帧；
S3:经过S1和S2后右侧帧队列和左侧帧队列中还各余一帧未匹配，则二者被默认为一对匹配帧。
步骤5：每个天线的方位角可由其左右配对的正侧图像GPS信息间接计算得到，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。
所述的天线的方位角Ai方位角可由其左正侧面图对应的GPS位置点和右正侧面图对应的GPS点来确定，上述两点连线的垂直平分线，其朝向即为天线阵面朝向，求出该直线与正北方的锐夹角θ，然后根据天线阵面在绕飞圆周中所处的象限，通过矫正得到该天线方位角，计算公式如下：
若天线阵面位于第一象限，则Ai方位＝θ；
若天线阵面处于第二象限，则Ai方位＝360-θ；
若天线阵面位于第三象限，则Ai方位＝180+θ；
若天线阵面处于第四象限，则Ai方位＝180-θ。
所述的天线的下倾角Ai下倾角可分别由其左正侧面图中下倾角Ai_L和右正侧面图中下倾角Ai_R的求和平均值确定，计算公式如下：
Ai下倾角＝(Ai_L+Ai_R)/2。
其中，方位角和下倾角都是通过已知两个边角线长度，利用三角勾股定理，求出对角线长度，通过反正弦得到具体角度值。
作为一种改进方式，将方位角和下倾角检测结果输出，在原图中用画线和角度值方式显示出来，由人工观察验收。如果发现明显检测错误，验收者可以手动画线方式改正错误，人工干预减少误差。当天线由于遮挡等原因无法自动检测下倾角时，也可由人工画线方式检测天线的下倾角。基于上述方法，常规天气情形下，天线方位角误差<5度，下倾角误差<1度。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，包括以下步骤：
1)利用无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点GPS信息；
2)通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；
3)对卷积神经网络检测到天线的右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；
4)每个天线的方位角可由其左右配对的正侧图像GPS信息间接计算获得，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。
2.根据权利要求1所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，所述步骤1的定点绕飞通讯塔采用以塔投影中心为圆心、等距半径逆时针水平圆周绕飞。
3.根据权利要求2所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，所述的等距半径逆时针水平圆周绕飞，圆周半径为7～8米。
4.根据权利要求1所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，所述的预先设计和训练的卷积神经网络由两个级联的卷积神经网络构成，第一级卷积神经网络有6层，由3个卷积层、2个下采样层、和1个全连接层构成；第二级卷积神经网络有10层，由5个卷积层、3个下采样层、和2个全连接层构成；卷积层用于提取图像特征，下采样层用于简化模型复杂度，全连接层负责把图像高维特征映射回低维空间，并将像素分为正样本和负样本；两个级联的卷积神经网络需要经过训练并优化卷积神经网络层内部参数，实现对通信塔的天线视频帧筛选；第一级卷积神经网络专门从视频帧中检测通讯塔纵轴线两侧平板天线区域，第二级卷积神经网络专门用来检测平板天线区域中的正侧面天线位置。
5.根据权利要求4所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，所述的两个级联的卷积神经网络训练步骤如下：
第一级网络训练过程为：
人工标注绕飞视频中平板天线区域位置，利用标注的图像帧训练卷积神经网络，标注的图像帧作为卷积神经网络输入，通信塔轴线两侧天线位置区域作为神经网络正输出，其余位置为负输出；
卷积神经网络训练过程是经典的误差反向传播过程，先对网络初始化；训练时，输入带标记的图像，先形成前向传播，输入图像经网络映射后的结果与输出对比，确定最后一层输出损失，然后进行反向传播，按照梯度下降策略，逐层调整神经网络每层参数值；经反复迭代达到误差要求或者迭代期限为止；
第二级网络训练过程为：人工标注足够数量的天线左或右正侧面的帧图像，由人工划线方式，画出天线正侧面直线段，形成二值的天线位置标记作为正样本；选取相同数量的非正侧帧图像作为负样本，无天线正侧面的位置线标记；人工标注的通信塔左侧或右侧天线区域局部图像作为卷神经网络输入，正侧面天线的像素点位置作为神经网络正输出，非正侧面帧无该位置信息作为负输出。正输出超过规定阈值的图像帧作为天线正侧面的一个观察点被记录。
6.根据权利要求1所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于，步骤3所述的天线右正侧面与左正侧面图像自动配对，已知绕飞起始图像帧序号作为Kstart帧，结束图像帧序号作为Kend帧，绕飞角速度ω＝360/(Kend-Kstart+1)；两个配对观察点与圆心连线的夹角在140°-180°之间；从通信塔右侧与左侧分别观察一个天线时，以其两个正侧面观察点作2点连线，可构成绕飞圆周面上的一条弦线，其垂直平分线即为天线朝向；两个两个正侧面与圆心连线的夹角在140°-180°之间；包含以下步骤：
s1:从右侧帧队列中依次选一帧KR_i，则在左侧帧队列中可能与其匹配的帧范围是[KL_begin,KL_end]，其中：KL_begin＝KR_i-140/ω,KL_end＝KR_i-180/ω，表示由KR_i帧开始回溯，以便在左侧帧队列中确定一个候选范围；当KL_begin或KL_end小于Kstart，说明回溯帧数跨越圆周绕飞的起始帧，需对[KL_begin,KL_end]进行圆周分段校正；若左侧帧队列中有唯一帧在上述限定范围内，则匹配成功；然后从右侧帧队列和左侧帧队列中除去该匹配好的帧；
s2:从未匹配的左侧帧队列中选一帧KL_i，则在右侧帧队列中可能与其匹配的帧范围是[KR_begin,KR_end]，其中：KR_begin＝KL_i+140/ω,KR_end＝KL_i+180/ω。计算时若KR_begin或KR_end超过Kend，说明回溯帧数跨越圆周绕飞的末帧，需对[KR_begin,KR_end]进行圆周分段校正处理；若右侧帧队列中有唯一帧在匹配范围内，则匹配成功；可从左侧帧队列和右侧帧队列中删除匹配好的帧；
s3:经过s1和s2后右侧帧队列和左侧帧队列中还各余一帧未匹配，则二者被默认为一对匹配帧。
7.根据权利要求1所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于所述的天线的方位角Ai方位角可由其左正侧面图对应的GPS位置点和右正侧面图对应的GPS点来确定，上述两点连线的垂直平分线，其朝向即为天线阵面朝向，求出该直线与正北方的锐夹角θ，然后根据天线阵面在绕飞圆周中所处的象限，通过矫正得到该天线方位角，计算公式如下：
若天线阵面位于第一象限，则Ai方位＝θ；
若天线阵面处于第二象限，则Ai方位＝360-θ；
若天线阵面位于第三象限，则Ai方位＝180+θ；
若天线阵面处于第四象限，则Ai方位＝180-θ。
8.根据权利要求1所述的利用无人机和卷积神经网络测量通信塔天线角度方法，其特征在于所述的天线的下倾角Ai下倾角可分别由其左正侧面图中下倾角Ai_L和右正侧面图中下倾角Ai_R的求和平均值确定，计算公式如下：
Ai下倾角＝(Ai_L+Ai_R)/2。
CN201710917629.6A 2017-09-30 2017-09-30 一种利用无人机和卷积神经网络测量通信塔天线角度方法 Active CN107830846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710917629.6A CN107830846B (zh) 2017-09-30 2017-09-30 一种利用无人机和卷积神经网络测量通信塔天线角度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710917629.6A CN107830846B (zh) 2017-09-30 2017-09-30 一种利用无人机和卷积神经网络测量通信塔天线角度方法

Publications (2)

Publication Number Publication Date
CN107830846A true CN107830846A (zh) 2018-03-23
CN107830846B CN107830846B (zh) 2020-04-10

Family

ID=61647728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710917629.6A Active CN107830846B (zh) 2017-09-30 2017-09-30 一种利用无人机和卷积神经网络测量通信塔天线角度方法

Country Status (1)

Country Link
CN (1) CN107830846B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109458978A (zh) * 2018-11-07 2019-03-12 五邑大学 一种基于多尺度检测算法的天线下倾角测量方法
CN109579774A (zh) * 2018-11-06 2019-04-05 五邑大学 一种基于深度实例分割网络的天线下倾角测量方法
CN109631850A (zh) * 2019-01-03 2019-04-16 甘肃大禹九洲测绘地理信息有限公司 一种基于深度学习的倾斜摄像相对定位方法
CN109685762A (zh) * 2018-11-09 2019-04-26 五邑大学 一种基于多尺度深度语义分割网络的天线下倾角测量方法
CN109829923A (zh) * 2018-12-24 2019-05-31 五邑大学 一种基于深度神经网络的基站天线下倾角测量系统及方法
CN109858618A (zh) * 2019-03-07 2019-06-07 电子科技大学 一种卷积神经单元块、构成的神经网络及图像分类方法
CN110688904A (zh) * 2019-08-30 2020-01-14 中通服建设有限公司 基于5g无人机的基站天线工参勘测方法及装置
CN110896331A (zh) * 2018-09-13 2020-03-20 中兴通讯股份有限公司 一种测量天线工程参数的方法和装置
CN111179337A (zh) * 2018-10-24 2020-05-19 中国科学院自动化研究所 空间直线朝向测量方法、装置、计算机设备和存储介质
WO2020098177A1 (zh) * 2018-11-06 2020-05-22 五邑大学 一种基于线性回归拟合的天线下倾角测量方法
CN111353331A (zh) * 2018-12-20 2020-06-30 北京欣奕华科技有限公司 一种目标物的检测方法、检测装置及机器人
CN111368384A (zh) * 2018-12-07 2020-07-03 华为技术有限公司 预测天线工程参数的方法及设备
CN113390386A (zh) * 2021-05-28 2021-09-14 广东纳萨斯通信科技有限公司 基于人工智能的天线方位角测量方法、装置及系统
WO2021189353A1 (en) * 2020-03-26 2021-09-30 Wuyi University Method and system of antenna measurement for mobile communication base station
CN114423014A (zh) * 2020-10-10 2022-04-29 中国移动通信集团设计院有限公司 天线下倾角确定方法、装置、电子设备及存储介质
KR102477382B1 (ko) * 2022-05-26 2022-12-15 주식회사 대한측량기술 무인 비행체를 이용한 영상데이터를 기반으로 하는 영상처리시스템
CN116052003A (zh) * 2023-02-07 2023-05-02 中科星图数字地球合肥有限公司 一种天线角度信息的测量方法、装置及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013069012A1 (en) * 2011-11-07 2013-05-16 Dimensional Perception Technologies Ltd. Method and system for determining position and/or orientation
CN103634823A (zh) * 2012-08-20 2014-03-12 李英祥 一种基站面板天线方位角的测量方法
CN204101033U (zh) * 2014-10-29 2015-01-14 上海朗尚科贸有限公司 一种基站天线下倾角动态测量系统
CN106454879A (zh) * 2016-10-28 2017-02-22 中睿通信规划设计有限公司 基于无人机航拍确定无线基站工参的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013069012A1 (en) * 2011-11-07 2013-05-16 Dimensional Perception Technologies Ltd. Method and system for determining position and/or orientation
CN103634823A (zh) * 2012-08-20 2014-03-12 李英祥 一种基站面板天线方位角的测量方法
CN204101033U (zh) * 2014-10-29 2015-01-14 上海朗尚科贸有限公司 一种基站天线下倾角动态测量系统
CN106454879A (zh) * 2016-10-28 2017-02-22 中睿通信规划设计有限公司 基于无人机航拍确定无线基站工参的方法及系统

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110896331B (zh) * 2018-09-13 2022-08-19 中兴通讯股份有限公司 一种测量天线工程参数的方法、装置和存储介质
CN110896331A (zh) * 2018-09-13 2020-03-20 中兴通讯股份有限公司 一种测量天线工程参数的方法和装置
CN111179337B (zh) * 2018-10-24 2024-02-02 中国科学院自动化研究所 空间直线朝向测量方法、装置、计算机设备和存储介质
CN111179337A (zh) * 2018-10-24 2020-05-19 中国科学院自动化研究所 空间直线朝向测量方法、装置、计算机设备和存储介质
CN109579774A (zh) * 2018-11-06 2019-04-05 五邑大学 一种基于深度实例分割网络的天线下倾角测量方法
EP3683540A4 (en) * 2018-11-06 2021-01-20 Wuyi University ANTENNA DOWN TILT ANGLE MEASUREMENT METHOD BASED ON A DEPTH INSTANCE SEGMENTATION NETWORK
WO2020098177A1 (zh) * 2018-11-06 2020-05-22 五邑大学 一种基于线性回归拟合的天线下倾角测量方法
US11145089B2 (en) 2018-11-07 2021-10-12 Wuyi University Method for measuring antenna downtilt based on multi-scale detection algorithm
EP3680608A4 (en) * 2018-11-07 2021-06-02 Wuyi University METHOD OF MEASURING A DOWN TILT ANGLE OF AN ANTENNA BASED ON A MULTI-SCALE DETECTION ALGORITHM
CN109458978A (zh) * 2018-11-07 2019-03-12 五邑大学 一种基于多尺度检测算法的天线下倾角测量方法
WO2020093624A1 (zh) * 2018-11-07 2020-05-14 五邑大学 一种基于多尺度检测算法的天线下倾角测量方法
WO2020093630A1 (zh) * 2018-11-09 2020-05-14 五邑大学 一种基于多尺度深度语义分割网络的天线下倾角测量方法
US11561092B2 (en) 2018-11-09 2023-01-24 Wuyi University Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
CN109685762A (zh) * 2018-11-09 2019-04-26 五邑大学 一种基于多尺度深度语义分割网络的天线下倾角测量方法
EP3680609A4 (en) * 2018-11-09 2021-02-24 Wuyi University METHOD OF MEASURING THE DOWNWARD ANGLE OF AN ANTENNA BASED ON A MULTI-SCALE DEEP SEMANTIC SEGMENTATION NETWORK
CN111368384A (zh) * 2018-12-07 2020-07-03 华为技术有限公司 预测天线工程参数的方法及设备
CN111353331B (zh) * 2018-12-20 2023-09-05 浙江欣奕华智能科技有限公司 一种目标物的检测方法、检测装置及机器人
CN111353331A (zh) * 2018-12-20 2020-06-30 北京欣奕华科技有限公司 一种目标物的检测方法、检测装置及机器人
CN109829923A (zh) * 2018-12-24 2019-05-31 五邑大学 一种基于深度神经网络的基站天线下倾角测量系统及方法
CN109631850A (zh) * 2019-01-03 2019-04-16 甘肃大禹九洲测绘地理信息有限公司 一种基于深度学习的倾斜摄像相对定位方法
CN109858618A (zh) * 2019-03-07 2019-06-07 电子科技大学 一种卷积神经单元块、构成的神经网络及图像分类方法
CN110688904A (zh) * 2019-08-30 2020-01-14 中通服建设有限公司 基于5g无人机的基站天线工参勘测方法及装置
WO2021189353A1 (en) * 2020-03-26 2021-09-30 Wuyi University Method and system of antenna measurement for mobile communication base station
CN114423014A (zh) * 2020-10-10 2022-04-29 中国移动通信集团设计院有限公司 天线下倾角确定方法、装置、电子设备及存储介质
CN113390386A (zh) * 2021-05-28 2021-09-14 广东纳萨斯通信科技有限公司 基于人工智能的天线方位角测量方法、装置及系统
KR102477382B1 (ko) * 2022-05-26 2022-12-15 주식회사 대한측량기술 무인 비행체를 이용한 영상데이터를 기반으로 하는 영상처리시스템
CN116052003B (zh) * 2023-02-07 2024-05-14 中科星图数字地球合肥有限公司 一种天线角度信息的测量方法、装置及相关设备
CN116052003A (zh) * 2023-02-07 2023-05-02 中科星图数字地球合肥有限公司 一种天线角度信息的测量方法、装置及相关设备

Also Published As

Publication number Publication date
CN107830846B (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN107830846A (zh) 一种利用无人机和卷积神经网络测量通信塔天线角度方法
CN105241445B (zh) 一种基于智能移动终端的室内导航数据获取方法及系统
CN103411553B (zh) 多线结构光视觉传感器的快速标定方法
CN107680133A (zh) 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN106683091A (zh) 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN106485655A (zh) 一种基于四旋翼飞行器航拍地图生成系统及方法
CN107560593B (zh) 基于最小生成树的特殊无人机影像空三自由网构建方法
CN106981081A (zh) 一种基于深度信息提取的墙面平整度检测方法
CN106529452B (zh) 基于建筑三维模型的移动智能终端建筑物快速识别方法
CN106295512A (zh) 基于标识的多纠正线室内视觉数据库构建方法以及室内定位方法
CN106403904A (zh) 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
CN110335355A (zh) 一种大型浅水湖泊水面高自动计算方法
CN112666963A (zh) 基于四轴无人机的公路路面裂缝检测系统及其检测方法
CN103528568A (zh) 一种基于无线信道的目标位姿图像测量方法
WO2020093624A1 (zh) 一种基于多尺度检测算法的天线下倾角测量方法
CN109117851A (zh) 一种基于网格统计约束的视频图像匹配方法
CN112163588A (zh) 基于智能进化的异源图像目标检测方法、存储介质及设备
CN109949367A (zh) 一种基于圆形投影的可见光成像定位方法
CN106940181A (zh) 一种无人机影像像控分布网构建与航片可选范围匹配方法
CN111044018A (zh) 一种对立面进行航空摄影测量航线规划的方法
CN109492525A (zh) 一种测量基站天线工程参数的方法
CN107917700A (zh) 基于深度学习的小幅度目标三维姿态角测量方法
CN106327576B (zh) 一种城市场景重建方法及系统
CN108759788A (zh) 无人机影像定位定姿方法及无人机
CN117128861A (zh) 一种去测站化三维激光扫描桥梁监测系统及监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant